A maioria dos assistentes de IA fica ociosa até você perguntar algo. Você digita uma pergunta, eles respondem e depois esperam. Em conformidade comercial, esse modelo tem um problema fundamental: os riscos não esperam alguém perguntar sobre eles.
No Atlas Verified, construímos um sistema de agentes autônomos em nuvem que monitoram continuamente cadeias de suprimentos, consultam bases governamentais e apresentam riscos de conformidade conforme uma programação — sem ninguém digitar um comando. Eles operam em segundo plano em cada organização da plataforma e entregam inteligência estruturada diretamente a um painel.
Este artigo aborda a engenharia por trás de agentes de IA sempre ativos: como diferem da IA conversacional, por que saídas estruturadas importam e os desafios de orquestração para executar agentes autônomos em escala.
Do reativo ao proativo
A IA conversacional é inerentemente reativa. Um usuário faz uma pergunta, o modelo raciocina sobre ela, chama algumas ferramentas e retorna uma resposta. Isso funciona bem para pesquisas pontuais e análise documental. Mas o monitoramento de conformidade exige inteligência proativa.
Considere um cenário: a certificação orgânica de um fornecedor é suspensa pelo USDA durante a noite. Uma remessa desse fornecedor já está em trânsito. Uma nova designação do OFAC inclui um agente de carga na lista de sanções. Um alerta de importação da FDA é emitido para uma commodity que você está importando ativamente.
Nenhum desses eventos espera um profissional de conformidade entrar no sistema e fazer a pergunta certa. Quando alguém pensa em conferir, a oportunidade de ação proativa pode ter passado. As mercadorias estão no porto. A documentação foi apresentada. A exposição é real.
Agentes em nuvem resolvem isso invertendo a relação. Em vez de o usuário dirigir a IA, a IA atua por conta própria conforme uma programação, verifica tudo o que importa e envia as constatações ao usuário.
Arquitetura de um agente por quadrante
Nos primeiros protótipos de agentes em nuvem, tentamos um único agente que cobria tudo: mudanças regulatórias, status de fornecedores, rastreamento de remessas e processamento documental. Ele produzia saídas dispersas e prolixas. O agente seguia um assunto interessante e negligenciava categorias inteiras de inteligência.
A solução foi dividir o problema em áreas focadas, que chamamos de quadrantes:
Inteligência. Alertas regulatórios, tendências de mercado e riscos transversais. Esse agente monitora bases governamentais em busca de mudanças que afetem a organização — novos alertas de importação da FDA, atualizações de listas do OFAC, mudanças tarifárias e de status de certificação orgânica.
Fornecedores. Saúde da rede de fornecedores. Esse agente analisa status de verificação, lacunas de conformidade, vencimentos de certificações e riscos de concentração da rede. Se 80% do seu suprimento orgânico vier de um único agente certificador, ele sinaliza isso.
Remessas. Monitoramento de remessas ativas. Esse agente acompanha posições de navios, monitora desvios de rotas, confere atrasos e valida se a documentação está completa. Apresenta problemas como contêineres parados no porto por mais tempo que o esperado ou navios desviando de rotas declaradas.
Espaço de trabalho. Saúde operacional. Esse agente analisa status de processamento documental, verificações pendentes, atividade da equipe e padrões de uso da plataforma. Apresenta situações como documentos cujo processamento falhou e precisam de atenção ou verificações pendentes há tempo demais.
Cada agente opera com um comando de sistema focado e um conjunto restrito de ferramentas relevantes à sua área. Isso produz resultados muito melhores que um único agente onisciente, pela mesma razão que uma equipe de especialistas supera um generalista: profundidade de foco.
Compartilhando uma camada de ferramentas com o agente de chat
Uma das decisões arquitetônicas mais importantes foi fazer os agentes em nuvem usarem exatamente a mesma camada de ferramentas do nosso agente de chat conversacional. A mesma triagem do OFAC, consultas ao USDA, rastreamento de navios, consultas de dados comerciais e ferramentas de análise documental impulsionam os dois sistemas.
Isso traz vantagens significativas de engenharia:
Sem duplicação de ferramentas. Quando adicionamos uma fonte de dados ou melhoramos um adaptador, o agente de chat e os agentes em nuvem se beneficiam imediatamente. Há uma implementação, um conjunto de testes e uma estrutura de manutenção.
Resultados consistentes. Uma consulta de sanções feita por um agente em nuvem e uma feita por um usuário no chat chamam a mesma função com a mesma lógica. Os resultados são diretamente comparáveis e passíveis de cruzamento.
O desafio é que ferramentas projetadas para uso interativo nem sempre funcionam da mesma maneira em lote. Um agente de chat pode pedir esclarecimentos ao usuário quando uma consulta é ambígua. Um agente em nuvem não pode. Lidamos com isso fornecendo comandos mais específicos e limites de recursão maiores — eles têm mais tempo para se corrigir porque ninguém espera uma resposta em tempo real.
Saída estruturada: de texto livre a cartões no painel
É aqui que agentes em nuvem mais se diferenciam dos agentes de chat. Um agente de chat produz texto narrativo, às vezes com cartões estruturados incorporados. Um agente em nuvem deve produzir exclusivamente saídas estruturadas exibidas diretamente no painel.
Cada execução produz uma matriz de cartões de inteligência. Cada cartão tem tipo e esquema definidos:
Contadores mostram métricas importantes com indicadores de tendência — total de remessas ativas, fornecedores com certificações próximas do vencimento, verificações pendentes.
Sinalizações de risco destacam preocupações específicas de conformidade que precisam de atenção — um fornecedor com certificação suspensa, uma correspondência de sanções, um alerta de importação da FDA.
Alertas comunicam informações urgentes — mudanças regulatórias, novas designações do OFAC, atualizações tarifárias que afetam remessas ativas.
Gráficos e tabelas apresentam dados analíticos — tendências de volumes de remessas, distribuição de corredores comerciais, taxas de conclusão de verificações.
Mapas mostram inteligência geográfica — posições de navios, atividade portuária, distribuição de fornecedores.
O desafio de engenharia é restringir um LLM para produzir saídas estruturadas válidas de forma consistente. Modelos de linguagem querem narrar. Querem explicar e qualificar. Fazê-los produzir uma matriz JSON clara de cartões com tipos, campos e dados corretos exige engenharia cuidadosa de comandos e validação das saídas.
Quando a saída do agente não corresponde ao esquema esperado de cartões, analisamos o que for possível e descartamos cartões malformados em vez de interromper toda a execução. Inteligência parcial é melhor que nenhuma.
Agentes personalizados: monitores autônomos definidos pelo usuário
Além dos quatro agentes de sistema, os usuários podem criar seus próprios agentes em nuvem. Um agente personalizado tem nome, comando de sistema (escrito pelo usuário) e programação. Usa a mesma camada de ferramentas e produz os mesmos tipos de cartões, mas seu foco é inteiramente definido pelo usuário.
Um usuário pode criar um agente que monitore interrupções em um corredor comercial específico. Ou que confira diariamente um conjunto de fornecedores em listas de sanções. Ou que acompanhe movimentos de preços de uma commodity usando fontes de dados comerciais. As possibilidades são limitadas apenas pelo que a camada de ferramentas pode acessar.
Tornar isso seguro e útil exigiu várias decisões de engenharia:
Escopo organizacional. Cada agente personalizado pertence a uma organização e só pode acessar os dados dela. Um agente não pode ultrapassar os limites organizacionais, mesmo que o comando do usuário tente fazê-lo.
Filtragem de capacidades das ferramentas. Agentes personalizados têm acesso às mesmas ferramentas de verificação e pesquisa dos agentes de sistema, mas herdam os limites de permissão da organização. Um agente personalizado não pode acessar ferramentas ou dados que o próprio usuário não poderia acessar pelo chat.
Gestão da programação. Agentes personalizados seguem programações definidas pelos usuários, dentro das restrições da plataforma. Isso impede que uma única organização consuma recursos computacionais desproporcionais ao programar dezenas de agentes para executar a cada hora.
Orquestração em escala
Executar agentes autônomos em muitas organizações em uma programação diária introduz desafios de orquestração que não existem em um sistema baseado em chat.
Eliminação de duplicatas. Se o agendador disparar e um agente da Organização A já tiver sido executado dentro da janela de eliminação de duplicatas, a execução será ignorada. Isso evita execuções duplicadas por novas tentativas, programações sobrepostas ou falhas momentâneas do agendador. Cada par agente-organização é tratado como uma unidade única de programação.
Isolamento de falhas. Se o agente de uma organização falhar — porque uma ferramenta retorna erro, o LLM produz uma saída impossível de analisar ou um serviço dependente está indisponível — isso não deve afetar as execuções de outras organizações. Cada execução é uma tarefa independente. As falhas são registradas, a execução é marcada como falha e o agendador prossegue.
Ciclo de vida dos cartões. Cartões de inteligência têm um tempo de vida. Cartões antigos expiram e são substituídos quando o agente é executado novamente. Isso garante que o painel sempre mostre inteligência atual, em vez de acumular constatações desatualizadas. Quando um agente produz novos cartões, os anteriores daquele quadrante são substituídos atomicamente.
Orçamento de recursos. Execuções de agentes consomem tokens de LLM, chamadas externas de API e conexões de banco de dados. Acompanhamos o uso de tokens por execução e organização para administrar custos e identificar agentes que consomem recursos desproporcionais. Um agente descontrolado que faz 50 chamadas quando 10 bastariam é sinalizado.
Conectando Cloud Agents e chat
Agentes em nuvem e o agente de chat não são sistemas isolados. Formam um ciclo de feedback.
O agente de chat pode consultar as saídas dos agentes em nuvem. Quando um usuário pergunta "o que meus agentes encontraram?" ou "há riscos de conformidade que eu deveria conhecer?", o agente de chat recupera os cartões mais recentes e os apresenta de forma conversacional. Pode explicar uma sinalização de risco, oferecer contexto adicional ou ajudar o usuário a agir sobre uma constatação.
Isso cria um fluxo natural: agentes em nuvem apresentam problemas durante a noite, o usuário consulta o painel pela manhã e, quando quer aprofundar uma constatação, abre uma conversa no chat. O agente de chat já sabe o que os agentes em nuvem encontraram e pode continuar de onde pararam.
O caminho inverso também funciona: padrões das interações de chat informam como ajustamos os comandos dos agentes em nuvem. Se os usuários perguntam frequentemente sobre um risco específico que esses agentes não apresentam, isso sinaliza a necessidade de ajustar o foco.
O que aprendemos
Construir agentes autônomos de IA nos ensinou lições que não são evidentes ao construir agentes conversacionais:
Saídas estruturadas são mais difíceis que texto livre. Fazer um LLM produzir consistentemente JSON válido e compatível com um esquema é um desafio bem diferente de fazê-lo escrever um bom parágrafo. Os modelos querem explicar, e é preciso canalizar essa energia analítica para campos estruturados.
O escopo é tudo. Um agente focado com uma área clara produz inteligência melhor que um agente amplo com acesso a tudo. A arquitetura de um agente por quadrante foi nossa maior melhoria de qualidade.
Resultados parciais superam execuções com falha. Em um sistema em lote, não é possível perguntar ao usuário o que fazer quando algo dá errado. A degradação controlada — produzir os cartões possíveis e indicar as lacunas — é essencial.
Usuários querem controle. Agentes personalizados se tornaram um dos recursos mais solicitados. Profissionais de conformidade conhecem seus riscos específicos melhor que qualquer sistema de uso geral. Permitir que programassem monitores autônomos em linguagem natural gerou valor significativo.
O ciclo de feedback importa. Agentes em nuvem e de chat são mais valiosos juntos do que isoladamente. A inteligência proativa define a pauta; a IA conversacional oferece profundidade. Projetar esse fluxo bidirecional desde o início melhorou os dois sistemas.
Olhando adiante
Agentes em nuvem representam uma mudança fundamental em como pensamos a IA em conformidade. A pergunta não é "o que a IA pode responder quando solicitada?", mas "o que a IA deveria verificar sem ser solicitada?"
À medida que ampliamos a camada de ferramentas com mais fontes e o panorama regulatório se torna mais complexo, aumenta o valor do monitoramento autônomo. O dia do profissional de conformidade não deveria começar com consultas manuais a seis bases governamentais e três serviços de rastreamento. Deveria começar com um painel que informa exatamente o que mudou durante a noite e o que exige atenção.
É isso que agentes em nuvem entregam. E o desafio de engenharia para tornar isso confiável, escalável e útil é um dos problemas mais gratificantes em que trabalhamos.
Os agentes em nuvem do Atlas Verified monitoram autonomamente cadeias de suprimentos, consultam bases governamentais e apresentam riscos de conformidade — para que profissionais de conformidade se concentrem nas decisões, não na coleta de dados.